Versuchsplanung (Design of Experiments, DOE) ist eine strukturierte statistische Methode, bei der mehrere Prozessfaktoren gemeinsam in einem geplanten Muster variiert werden, sodass Sie aus einer kompakten Menge von Versuchen die Auswirkungen einzelner Faktoren und deren Wechselwirkungen messen können.
Anstatt jeweils nur einen Faktor zu ändern und zu hoffen, dass das Ergebnis gilt, erlaubt DOE, mit möglichst wenigen Experimenten das Maximum über Ihren Prozess zu lernen.
In der Fertigung ist es das Arbeitspferd der Improve-Phase in DMAIC , wo Teams Einstellungen optimieren, um Fehler zu reduzieren, Ausbeute zu steigern und die Produktion zu stabilisieren.
Der intuitive Ansatz ist OFAT: alles andere festhalten, einen Faktor ändern, das Ergebnis aufzeichnen und dann zum nächsten Faktor übergehen. Das wirkt gründlich, hat aber zwei fatale Schwächen. Erstens ist es ineffizient, weil jeder Faktor seinen eigenen separaten Versuchsblock benötigt.
Zweitens und noch gravierender ist, dass OFAT gegenüber Interaktionen blind ist, Situationen, in denen die Wirkung eines Faktors vom Niveau eines anderen abhängt. DOE variiert Faktoren gleichzeitig in einem ausgeglichenen Muster, sodass ein einziges Experiment sowohl einzelne Effekte als auch kombinierte Effekte offenbart, die OFAT niemals sehen kann.
Drei Begriffe definieren jedes Experiment. Ein Faktor ist ein steuerbarer Input, wie Ofentemperatur, Vorschubrate oder Verweilzeit. Eine Stufe ist eine spezifische Einstellung, die Sie für diesen Faktor testen, zum Beispiel 180 °C versus 200 °C.
Die Messgröße ist die gemessene Ausgabe, die Sie interessiert, wie Zugfestigkeit, Zykluszeit oder Ausschussrate . Ein Design, das zwei Faktoren untersucht, jeweils mit zwei Stufen, wird als 2x2-Design (oder zwei-stufiges, zwei-faktorielles Design) bezeichnet und erzeugt vier eindeutige Faktor-Kombinationen zum Durchführen.
Ein vollfaktorielles Design testet jede mögliche Kombination von Faktorstufen. Bei zwei-stufigen Designs ist die Anzahl der Durchläufe 2 hoch der Anzahl der Faktoren: 2 Faktoren benötigen 4 Durchläufe, 3 Faktoren benötigen 8, aber 7 Faktoren würden auf 128 Durchläufe anwachsen.
Wenn das unpraktisch wird, testet ein teilfaktorielles Design eine sorgfältig ausgewählte Teilmenge (eine Hälfte, ein Viertel oder ein Achtel), die dennoch die Haupteffekte und die wichtigsten Wechselwirkungen schätzt.
Der Kompromiss ist die Konfundierung : einige höherstufige Wechselwirkungen werden miteinander aliasiert, sodass man ein wenig Auflösung gegen eine große Einsparung an Zeit und Material tauscht.
Wenn Sie tiefer in robustes Design einsteigen wollen, bauen Taguchi-Methoden auf derselben teilfaktoriellen Logik auf und verwenden standardisierte orthogonale Arrays, um Experimente klein zu halten und den Prozess weniger empfindlich gegenüber Störgrößen zu machen.
Ein Haupteffekt ist die durchschnittliche Änderung der Messgröße, wenn ein Faktor von seiner niedrigen Stufe auf seine hohe Stufe wechselt, wobei die anderen Faktoren ignoriert werden. Ein Interaktionseffekt misst, wie stark sich die Einflussnahme eines Faktors abhängig von der Einstellung eines anderen Faktors verschiebt.
In Wechselwirkungen verbergen sich oft die wahren Hebel: eine Beschichtung, die nur bei hoher Temperatur und hohem Druck gut funktioniert, würde in OFAT-Tests niemals ans Licht kommen.
Zu wissen, welche Effekte dominieren, erlaubt es Ihnen, Ihre Verbesserungsarbeit zu priorisieren, ähnlich wie die Pareto-Analyse die wesentlichen wenigen Ursachen über die vielen unwesentlichen stellt.
Angenommen, Sie möchten die Zugfestigkeit (in Megapascal) eines Spritzgussteils erhöhen. Sie wählen zwei Faktoren: Temperatur (A) bei 180 °C (niedrig) und 200 °C (hoch), und Druck (B) bei 40 bar (niedrig) und 60 bar (hoch). Die vier Durchläufe des vollfaktoriellen Designs ergeben diese Messwerte:
Haupteffekt von A (Temperatur): mitteln Sie die beiden A-hoch-Durchläufe und subtrahieren Sie den Mittelwert der beiden A-niedrig-Durchläufe. A-hoch-Mittel = (60 + 80) / 2 = 70. A-niedrig-Mittel = (50 + 54) / 2 = 52. Haupteffekt von A = 70 minus 52 = 18 MPa. Eine Erhöhung der Temperatur fügt im Mittel etwa 18 MPa hinzu.
Haupteffekt von B (Druck): B-hoch-Mittel = (54 + 80) / 2 = 67. B-niedrig-Mittel = (50 + 60) / 2 = 55. Haupteffekt von B = 67 minus 55 = 12 MPa.
Interaktionseffekt (A x B): berechnen Sie den Effekt von A, wenn B hoch ist, dann wenn B niedrig ist, und nehmen Sie die Hälfte der Differenz. Effekt von A bei hohem B = 80 minus 54 = 26. Effekt von A bei niedrigem B = 60 minus 50 = 10.
Interaktion = (26 minus 10) / 2 = 8 MPa . Diese positive Interaktion bedeutet, dass Temperatur und Druck sich gegenseitig verstärken: beide auf hoch zu setzen liefert weitaus mehr, als die beiden Haupteffekte allein vorhersagen würden. Eine OFAT-Studie hätte das vollständig übersehen.
Zwei Gestaltungsprinzipien halten Ihre Schlussfolgerungen ehrlich. Replikation bedeutet, jede Kombination mehr als einmal durchzuführen, damit Sie einen echten Effekt von zufälliger Messstreuung trennen und den experimentellen Fehler schätzen können.
Randomisierung bedeutet, die Versuche in zufälliger Reihenfolge statt in einer ordentlichen Sequenz durchzuführen, sodass langsame Drifts (ein aufheizender Hallenboden, ein ermüdender Bediener, Werkzeugverschleiß, dargestellt durch die Badewannenkurve ) sich nicht als Faktoreffekt tarnen. Zusammen erlauben sie Ihnen zu vertrauen, dass ein gemessener Unterschied vom Faktor und nicht von überlagerter Hintergrundvariation stammt.
Dies ist dieselbe Disziplin, die einen soliden Kontrollplan untermauert, sobald die gewinnenden Einstellungen festgelegt sind.
Fabrico führt die DOE-Analyse nicht für Sie durch und ist keine Statistiksoftware. Was es liefert, sind die genauen, mit Zeitstempel versehenen Produktionsdaten, von denen jedes Experiment abhängt. Fabrico liefert Echtzeit-OEE- und Produktionsüberwachung , einschließlich Computer-Vision-Überwachung, die Zykluszählungen, Stillstände und Ausstoß erfasst, sogar an Maschinen ohne SPS.
Während eines geplanten Experiments bedeutet das, dass Ihre Messwerte (Ausbeute, Zykluszeit, Fehleranzahl) automatisch protokolliert werden statt handschriftlich, sodass die Zahlen, die Ihre Haupteffekt- und Interaktionsberechnungen speisen, sauber sind. In Kombination mit einer robusten Messsystemanalyse, geprüft durch Gauge R&R , beseitigt dies eine große Fehlerquelle, bevor sie Ihr Modell erreicht.
Nach dem Experiment hilft Fabricos CMMS , die verbesserten Einstellungen zu erhalten und den Prozess mit statistischer Prozesskontrolle und Fähigkeitsuntersuchungen zu überwachen. DOE passt außerdem natürlich zu einer FMEA , die auf die risikoreichsten Faktoren hinweist, die es wert sind, ins Design aufgenommen zu werden.
Technisch viele, praktisch sollten Sie jedoch zuerst screenen. Bei mehr als vier oder fünf Faktoren verwenden Teams ein teilfaktorielles Screening-Design, um die zwei oder drei Faktoren zu identifizieren, die am wichtigsten sind, und führen dann ein fokussiertes vollfaktorielles Design oder ein Response-Surface-Design an diesen durch. So bleiben die Durchlaufzahlen überschaubar, während die dominanten Haupteffekte und Schlüsselwechselwirkungen dennoch sichtbar werden.
Einfache Zwei-Stufen-, Zwei-Faktoren-Experimente lassen sich von Hand berechnen, wie das oben durchgerechnete Beispiel zeigt. Größere Designs werden normalerweise in einer Statistiksoftware aufgebaut und analysiert, weil die Arithmetik für Konfundierung, Blockbildung und Signifikanztests komplex wird. Fabrico ist nicht diese Software; es stellt die zuverlässigen Produktionsdaten bereit, die diese Werkzeuge analysieren, sodass Ihre Eingaben von Anfang an vertrauenswürdig sind.
DOE ist eine aktive, einmalige Untersuchung: Sie ändern Einstellungen gezielt, um Ursache-Wirkungs-Beziehungen zu entdecken und die beste Konfiguration zu finden. SPC ist passiv und fortlaufend: Es überwacht einen laufenden Prozess, um zu erkennen, wann er außer Kontrolle gerät. Sie nutzen DOE, um einen guten Zustand zu erreichen, und dann SPC und Fähigkeitsanalyse, um ihn zu halten.
Bereit, Experimente mit Daten durchzuführen, denen Sie vertrauen können? Fabrico liefert die in Echtzeit automatisch protokollierten Produktionszahlen, die jedes DOE-, SPC-Diagramm und jede Fähigkeitsstudie verlässlich machen. Buchen Sie eine Fabrico-Demo, um die Datenbasis hinter besseren Entscheidungen zu sehen.
Anmeldung
Blog
